CN111640159B - 一种基于孪生卷积神经网络的遥感影像变化检测方法 - Google Patents

一种基于孪生卷积神经网络的遥感影像变化检测方法 Download PDF

Info

Publication number
CN111640159B
CN111640159B CN202010390580.5A CN202010390580A CN111640159B CN 111640159 B CN111640159 B CN 111640159B CN 202010390580 A CN202010390580 A CN 202010390580A CN 111640159 B CN111640159 B CN 111640159B
Authority
CN
China
Prior art keywords
image
time phase
phase image
neural network
convolutional neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010390580.5A
Other languages
English (en)
Other versions
CN111640159A (zh
Inventor
乐鹏
黄立
刘广超
张晨晓
姜良存
梁哲恒
章小明
姜福泉
邓鹏�
宁振伟
刘斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South Digital Technology Co ltd
Wuhan University WHU
Original Assignee
South Digital Technology Co ltd
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South Digital Technology Co ltd, Wuhan University WHU filed Critical South Digital Technology Co ltd
Priority to CN202010390580.5A priority Critical patent/CN111640159B/zh
Publication of CN111640159A publication Critical patent/CN111640159A/zh
Application granted granted Critical
Publication of CN111640159B publication Critical patent/CN111640159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于孪生卷积神经网络的遥感影像变化检测方法，涉及遥感领域，主要解决目前常规的变化检测方法泛化性较差的问题；该方法包括以下步骤：获取多时相遥感影像数据，得到掩膜图像，建立遥感影像变化检测数据集，构建孪生卷积神经网络模型，利用数据集训练孪生卷积神经网络，获得训练模型，利用训练模型对待检测的前时相影像和后时相影像进行变化检测，得到初步变化预测结果，将初步变化预测结果的像素的预测值与预先设定的像素阈值进行比较，从而将初步变化预测结果划分为变化区域类别和非变化区域类别，得到变化检测结果。本发明的方法泛化性能更好，同时满足端到端处理，便于工程应用。

Description

一种基于孪生卷积神经网络的遥感影像变化检测方法
技术领域
本发明涉及超快激光加工领域，具体涉及一种基于孪生卷积神经网络的遥感影像变化检测方法。
背景技术
遥感影像变化检测是通过分析多时相遥感影像的同一区域进而获得该区域变化信息的方法。随着科技的发展和社会的进步，人类开发与改造自然的能力不断加强，地表景观的变化日渐频繁，这使得土地利用与土地覆盖变化的研究已经成为全球变化研究中的前沿与热点。作为变化检测的主要技术手段，遥感技术的快速发展使得获取到的遥感影像的数目越来越多、空间分辨率和时间分辨率越来越高，传统的遥感影像变化检测方法由于不能准确提取影像中的特征已经不能满足遥感影像数目和分辨率增加带来的泛化精度需求，即目前常规的变化检测方法泛化性较差。
发明内容
本发明解决的技术问题是提供一种基于孪生卷积神经网络的遥感影像变化检测方法，解决传统的遥感影像变化检测方法由于不能准确提取影像中的特征而不能满足遥感影像数目和分辨率增加带来的泛化精度需求的问题。
为解决上述技术问题，本发明所提供的技术方案为：一种基于孪生卷积神经网络的遥感影像变化检测方法，包括以下步骤：
S1、获取多时相遥感影像，标记前时相影像与后时相影像中变化的区域，得到掩膜影像；
S2、构建遥感影像变化检测数据集，所述数据集包括前时相影像、后时相影像和掩膜影像；
S4、构建孪生卷积神经网络模型，所述孪生卷积神经网络模型包括基于残差网络结构与SENet注意力机制的孪生特征提取网络和基于语义分割中Encoder-Decoder结构的全卷积网络；所述孪生特征提取网络对前时相影像和后时相影像进行特征提取，得到前时相影像和后时相影像的特征图；计算前时相影像和后时相影像的特征图的差值并取平方，得到差值平方特征图；所述全卷积网络以前时相影像及其特征图、后时相影像及其特征图和差值平方特征图在通道维度上的组合为输入，得到变化区域预测结果；计算变化区域预测结果和对应的掩膜影像的损失，根据损失对梯度进行反向传播更新孪生卷积神经网络模型的权重；
S5、利用数据集对孪生卷积神经网络模型进行训练，得到训练好的孪生卷积神经网络模型；
S6、利用训练好的孪生卷积神经网络模型对待检测的前时相影像和后时相影像进行变化检测，得到初步变化预测结果，将初步变化预测结果的像素的预测值与预先设定的像素阈值进行比较，若像素预测值大于等于阈值，则设为变化像素；若否，则设为非变化像素；得到变化检测结果。
进一步地，步骤S1通过使用ENVI软件人工标记变化区域，得到掩膜影像。
进一步地，步骤S2和S4之间还包括步骤：
S3、对前时相影像和/或后时相影像进行预处理，使前时相影像和后时相影像的色调保持一致。
进一步地，利用直方图匹配或图像到图像的转换对前时相影像和/或后时相影像进行预处理。
进一步地，图像到图像的转换的预处理方法具体为：使用图像到图像转换中的CycleGAN网络模型对影像进行预处理，得到前时相影像和转换得到的后时相影像或后时相影像和转换得到的前时相影像。
进一步地，全卷积网络包括4层卷积层、4层空洞卷积层和3层反卷积层。
进一步地，步骤S6中所述阈值为0.5。
进一步地，该变化检测方法还包括：
S7、对变化检测结果进行后处理操作，得到后处理变化检测结果，所述后处理包括去除小区域、填充空洞或规则边界。
进一步地，该变化检测方法还包括：
S8、计算待检测的前时相影像和后时相影像的差值影像，并将差值影像进行图像分割，将分割结果和后处理变化检测结果进行叠加。
进一步地，叠加的具体方法为：计算每个分割区域内变化像素的比例，若比例大于预先设定的比例阈值，则将该分割区域的所有像素设置为变化像素，否则设置为非变化像素，得到叠加变化检测结果。
本发明的有益效果是，本发明通过构建孪生卷积神经网络模型，并对模型进行训练，利用变化区域预测结果和对应的掩膜影像之间的损失，对梯度进行反向传播更新孪生卷积神经网络模型的权重，从而得到训练好的孪生卷积神经网络模型，满足端到端处理；之后利用训练好的孪生卷积神经网络模型对待检测的前时相影像和后时相影像进行变化检测，可得到初步变化预测结果，将初步变化预测结果的像素的预测值与预先设定的像素阈值进行比较，从而将变化区域类别和非变化区域类别区分开，得到变化检测结果。
进一步地，利用直方图匹配或图像到图像的转换对前时相影像和/或后时相影像进行预处理，使前时相影像和后时相影像的色调保持一致，不但放宽了多时相遥感影像的获取限制，使得影像可以来自于不同源，而且可以降低前时相影像和后时相影像色调不一致对检测结果带来的影响。
进一步地，对变化检测结果进行后处理操作可以完善结果，将差值影像得分割结果和后处理变化检测结果进行叠加，能够减少误检，提高准确率。
附图说明
图1是本发明一种基于孪生卷积神经网络的遥感影像变化检测方法的流程图；
图2是本发明另一种基于孪生卷积神经网络的遥感影像变化检测方法的流程图。
具体实施方式
下面将结合附图对本发明的实施方案及原理作进一步的说明。
本发明公开了一种基于孪生卷积神经网络的遥感影像变化检测方法，采用了端到端的思想，如图1所示，包括以下步骤：
S1、获取多时相遥感影像，标记前时相影像与后时相影像中变化的区域，得到掩膜影像。
可以通过多方面获取多时相遥感影像，包括多源、同源及不同季节的多时相遥感影像。获取多时相遥感影像数据后，可以利用ENVI等遥感软件人工标记变化区域，得到掩膜影像。掩膜影像主要是用于与模型的预测结果进行对比，计算模型的损失函数。
S2、构建遥感影像变化检测数据集，数据集包括前时相影像(以下简称T1影像)、后时相影像(以下简称T2影像)和掩膜影像(以下简称mask影像)。构建数据集，用于孪生卷积神经网络模型的训练。由于神经网络模型的性能大多数遵守这样一条规则：训练数据越充分，训练出来的模型越好。所以，可以采用数据增广的方法来扩充数据集。
S4、构建孪生卷积神经网络模型，孪生卷积神经网络模型包括基于残差网络结构与SENet注意力机制的孪生特征提取网络和基于语义分割中Encoder-Decoder结构的全卷积网络；孪生特征提取网络对前时相影像和后时相影像进行特征提取，得到前时相影像和后时相影像的特征图；计算前时相影像和后时相影像的特征图的差值并取平方，得到差值平方特征图；全卷积网络以前时相影像及其特征图、后时相影像及其特征图和差值平方特征图在通道维度上的组合为输入，得到变化区域预测结果；计算变化区域预测结果和对应的掩膜影像的损失，根据损失对梯度进行反向传播更新孪生卷积神经网络模型的权重，重复该过程直到模型收敛，输出得到的收敛模型。
首先基于残差网络结构与SENet注意力模型构建孪生特征提取网络，模型深度与通道数目可根据不同数据集具体设计。其次，孪生特征提取网络通过共享卷积可以提取T1时相影像和T2时相影像特征，当同一地区的地物覆盖不同时，所提取的特征也会不同。将所得两时相特征图相减后进行平方计算，这样可以变化区域与非变化区域之间的差异。最后将平方计算后的差值特征图与原始的T1影像、T2影像以及提取的两时相影像特征图在通道维度上进行拼接，作为新的输入，这样处理可以充分利用影像信息。然后，利用语义分割中的Encoder-Decoder结构设计全卷积变化检测结构，全卷积网络先对输入进行下采样，提取上下文信息后再进行上采样还原至与输入相同的尺寸；其包括3层卷积层进行下采样，4层空洞卷积层提取上下文信息，3层反卷积层进行上采样，以及1层卷积层进行变化区域预测。最后设置损失函数，进行训练。
S5、利用数据集对孪生卷积神经网络模型进行训练，得到训练好的孪生卷积神经网络模型。
S6、利用训练好的孪生卷积神经网络模型对待检测的前时相影像和后时相影像进行变化检测，得到初步变化预测结果，并对初步预测结果进行二值化。将初步变化预测结果的像素的预测值与预先设定的像素阈值进行比较，若像素预测值大于等于阈值，则设为变化像素；若否，则设为非变化像素；得到变化检测结果。预测时当像素预测值大于等于0.5时，为变化区域类别，设置灰度值为255，否则设置灰度值为0，组成变化检测结果。
进一步地，为了降低了由于前后时相影像色调不一致对检测结果带来的影响，步骤S2和S4之间还可以包括步骤：
S3、对前时相影像和/或后时相影像进行预处理，使前时相影像和后时相影像的色调保持一致。例如，利用直方图匹配或图像到图像的转换对影像进行预处理。该预处理方法可以减少数据获取的局限性，可以将不同卫星拍摄或不同季节拍摄的遥感影像色调转换一致，减少由于数据质量差异导致的变化检测结果差异。
当构建的变化检测数据集中的影像同源时，可以使用直方图匹配的预处理方法，直方图匹配是指将一幅图像的直方图变成规定形状的直方图，其可以使两幅影像的色调保持一致；但是直方图匹配的效果一般较差，通常可以用在同一季节或者同一卫星拍摄的多时相遥感影像中。具体做法为，以某一时相的影像为基准影像，匹配另一时相的影像，使其具有与基准影像相似的直方图形状，将基准影像与直方图匹配后的影像作为预处理结果；
当构建的变化检测数据集中的影像来源不同时，使用图像到图像转换中的CycleGAN网络模型对影像进行预处理，CycleGAN网络是一种基于生成对抗思想的Image toImage Translation，其可以将两幅色调差距较大的影像变换为两幅色调相近的影像，因此可以利用CycleGAN网络对在不同季节或不同卫星拍摄的色调差距较大的多时相遥感影像进行预处理。具体做法为，将两时相影像输入CycleGAN网络模型，网络输出以前时相影像为基准转换得到的后时相影像和以后时相影像为基准转换得到的前时相影像，将前时相影像和转换得到的后时相影像或后时相影像和转换得到的前时相影像作为预处理结果，二者选择其一即可。
进一步地，该变化检测方法还包括：
S7、对变化检测结果进行后处理操作，得到后处理变化检测结果，所述后处理包括去除小区域、填充空洞或规则边界。利用训练好的模型对待检测区域进行预测后，通过后处理可以消除小面积的变化预测区域以及补充小空洞，同时可以利用通过对前后时相影像进行分割，并与预测结果进行重叠度判断，从而减少误检结果。
进一步地，该变化检测方法还包括：
S8、计算待检测的前时相影像和后时相影像的差值影像，并将差值影像进行图像分割，即图像分割，例如可采用如分水岭分割等算法。将分割结果和后处理变化检测结果进行叠加。叠加的具体方法为：计算每个分割区域内变化像素的比例，若比例大于预先设定的比例阈值，则将该分割区域的所有像素设置为变化像素，否则设置为非变化像素，最终得到变化检测结果。例如，对于每一个分割区域，统计该区域内变化像素与非变化像素的数目，取数目更大的那一类作为该区域的类别，得到叠加的变化检测结果。
本发明公开了另一种基于孪生卷积神经网络的遥感影像变化检测方法，如图2所示，包括以下步骤：
S1、获取多时相遥感影像，标记前时相影像与后时相影像中变化的区域，得到掩膜影像；
S2、构建遥感影像变化检测数据集，数据集包括前时相影像、后时相影像和掩膜影像；
S3、对前时相影像和/或后时相影像进行预处理，使前时相影像和后时相影像的色调保持一致；
S4、构建孪生卷积神经网络模型，孪生卷积神经网络模型包括基于残差网络结构与SENet注意力机制的孪生特征提取网络和基于语义分割中Encoder-Decoder结构的全卷积网络；孪生特征提取网络对前时相影像和后时相影像进行特征提取，得到前时相影像和后时相影像的特征图；计算前时相影像和后时相影像的特征图的差值并取平方，得到差值平方特征图；全卷积网络以前时相影像及其特征图、后时相影像及其特征图和差值平方特征图在通道维度上的组合为输入，得到变化区域预测结果；计算变化区域预测结果和对应的掩膜影像的损失，根据损失对梯度进行反向传播更新孪生卷积神经网络模型的权重；
S5、利用预处理后的数据集对孪生卷积神经网络模型进行训练，得到训练好的孪生卷积神经网络模型；
S6、利用训练好的孪生卷积神经网络模型对待检测的前时相影像和后时相影像进行变化检测，得到初步变化预测结果，将初步变化预测结果的像素的预测值与预先设定的像素阈值进行比较，若像素预测值大于等于阈值，则设为变化像素；若否，则设为非变化像素；得到变化检测结果；
S7、对变化检测结果进行后处理操作，得到后处理变化检测结果，后处理包括去除小区域、填充空洞或规则边界；
S8、计算待检测的前时相影像和后时相影像的差值影像，并将差值影像进行图像分割，将分割结果和后处理变化检测结果进行叠加。叠加的具体方法为：计算每个分割区域内变化像素的比例，若比例大于预先设定的比例阈值，则将该分割区域的所有像素设置为变化像素，否则设置为非变化像素，最终得到叠加变化检测结果。本发明的方法为端到端结构，即给定T1时相和T2时相影像可直接预测变化区域，人工只需要设置网络层深度，后处理阈值等参数，不需要进行其它等操作，便于工程应用。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于孪生卷积神经网络的遥感影像变化检测方法，其特征在于，包括以下步骤：
S1、获取多时相遥感影像，标记前时相影像与后时相影像中变化的区域，得到掩膜影像；
S2、构建遥感影像变化检测数据集，所述数据集包括前时相影像、后时相影像和掩膜影像；
S4、构建孪生卷积神经网络模型，所述孪生卷积神经网络模型包括基于残差网络结构与SENet注意力机制的孪生特征提取网络和基于语义分割中Encoder-Decoder结构的全卷积网络；所述孪生特征提取网络对前时相影像和后时相影像进行特征提取，得到前时相影像和后时相影像的特征图；计算前时相影像和后时相影像的特征图的差值并取平方，得到差值平方特征图；所述全卷积网络以前时相影像及其特征图、后时相影像及其特征图和差值平方特征图在通道维度上的组合为输入，得到变化区域预测结果；计算变化区域预测结果和对应的掩膜影像的损失，根据损失对梯度进行反向传播更新孪生卷积神经网络模型的权重；
S5、利用数据集对孪生卷积神经网络模型进行训练，得到训练好的孪生卷积神经网络模型；
S6、利用训练好的孪生卷积神经网络模型对待检测的前时相影像和后时相影像进行变化检测，得到初步变化预测结果，将初步变化预测结果的像素的预测值与预先设定的像素阈值进行比较，若像素预测值大于等于阈值，则设为变化像素；若否，则设为非变化像素；得到变化检测结果；
S7、对变化检测结果进行后处理操作，得到后处理变化检测结果；
S8、计算待检测的前时相影像和后时相影像的差值影像，并将差值影像进行图像分割，将分割结果和后处理变化检测结果进行叠加；叠加的具体方法为：计算每个分割区域内变化像素的比例，若比例大于预先设定的比例阈值，则将该分割区域的所有像素设置为变化像素，否则设置为非变化像素，得到叠加变化检测结果。
2.根据权利要求1所述的基于孪生卷积神经网络的遥感影像变化检测方法，其特征在于，步骤S1通过使用ENVI软件人工标记变化区域，得到掩膜影像。
3.根据权利要求1所述的基于孪生卷积神经网络的遥感影像变化检测方法，其特征在于，步骤S2和S4之间还包括步骤：
S3、对前时相影像和/或后时相影像进行预处理，使前时相影像和后时相影像的色调保持一致。
4.根据权利要求3所述的基于孪生卷积神经网络的遥感影像变化检测方法，其特征在于，利用直方图匹配或图像到图像的转换对前时相影像和/或后时相影像进行预处理。
5.根据权利要求4所述的基于孪生卷积神经网络的遥感影像变化检测方法，其特征在于，图像到图像的转换的预处理方法具体为：使用图像到图像转换中的CycleGAN网络模型对影像进行预处理，得到前时相影像和转换得到的后时相影像或后时相影像和转换得到的前时相影像。
6.根据权利要求1所述的基于孪生卷积神经网络的遥感影像变化检测方法，其特征在于，全卷积网络包括4层卷积层、4层空洞卷积层和3层反卷积层。
7.根据权利要求1所述的基于孪生卷积神经网络的遥感影像变化检测方法，其特征在于，步骤S6中所述阈值为0.5。
8.根据权利要求1所述的基于孪生卷积神经网络的遥感影像变化检测方法，其特征在于，所述后处理包括去除小区域、填充空洞或规则边界。
CN202010390580.5A 2020-05-11 2020-05-11 一种基于孪生卷积神经网络的遥感影像变化检测方法 Active CN111640159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010390580.5A CN111640159B (zh) 2020-05-11 2020-05-11 一种基于孪生卷积神经网络的遥感影像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010390580.5A CN111640159B (zh) 2020-05-11 2020-05-11 一种基于孪生卷积神经网络的遥感影像变化检测方法

Publications (2)

Publication Number Publication Date
CN111640159A CN111640159A (zh) 2020-09-08
CN111640159B true CN111640159B (zh) 2022-04-01

Family

ID=72329994

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010390580.5A Active CN111640159B (zh) 2020-05-11 2020-05-11 一种基于孪生卷积神经网络的遥感影像变化检测方法

Country Status (1)

Country Link
CN (1) CN111640159B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215085A (zh) * 2020-09-17 2021-01-12 云南电网有限责任公司昆明供电局 一种基于孪生网络的输电走廊异物检测方法及系统
CN112417984B (zh) * 2020-10-29 2022-07-05 西南交通大学 基于共注意力机制的时序鲁棒遥感影像变化检测方法
CN112861690B (zh) * 2021-02-01 2024-02-02 武汉汉达瑞科技有限公司 多方法融合的遥感影像变化检测方法及系统
CN113158770A (zh) * 2021-03-04 2021-07-23 中国科学院空天信息创新研究院 一种改进的全卷积孪生神经网络的矿区变化检测方法
CN112801929A (zh) * 2021-04-09 2021-05-14 宝略科技(浙江)有限公司 一种用于建筑物变化检测的局部背景语义信息增强方法
CN113160291B (zh) * 2021-04-12 2023-02-14 华雁智科(杭州)信息技术有限公司 一种基于图像配准的变化检测方法
CN113128388B (zh) * 2021-04-14 2022-09-02 湖南大学 一种基于时空谱特征的光学遥感图像变化检测方法
CN113240023B (zh) * 2021-05-19 2022-09-09 中国民航大学 基于变化图像分类和特征差值先验的变化检测方法及装置
CN113420662B (zh) * 2021-06-23 2023-04-07 西安电子科技大学 基于孪生多尺度差异特征融合的遥感影像变化检测方法
CN113298056A (zh) * 2021-07-27 2021-08-24 自然资源部国土卫星遥感应用中心 多模态遥感影像变化检测方法、模型生成方法和终端设备
CN113569815B (zh) * 2021-09-22 2021-12-31 速度时空信息科技股份有限公司 基于图像分割与孪生神经网络的遥感影像变化的检测方法
CN113838064B (zh) * 2021-09-23 2023-12-22 哈尔滨工程大学 一种基于分支gan使用多时相遥感数据的云去除方法
CN114419464B (zh) * 2022-03-29 2022-07-26 南湖实验室 一种基于深度学习的孪生网络变化检测模型的构建方法
CN115311569B (zh) * 2022-08-16 2023-08-22 自然资源部国土卫星遥感应用中心 基于遥感影像的推填土变化检测方法、装置和终端设备
CN116563231B (zh) * 2023-04-26 2024-08-30 北京数慧时空信息技术有限公司 基于卷积神经网络的遥感影像变化检测方法
CN116977747B (zh) * 2023-08-28 2024-01-23 中国地质大学（北京） 基于多路多尺度特征孪生网络的小样本高光谱分类方法
CN117612017B (zh) * 2024-01-23 2024-05-24 江西啄木蜂科技有限公司 一种环境自适应的遥感影像变化检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680151A (zh) * 2015-03-12 2015-06-03 武汉大学 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法
CN109409263A (zh) * 2018-10-12 2019-03-01 武汉大学 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法
CN109934166A (zh) * 2019-03-12 2019-06-25 中山大学 基于语义分割和孪生神经网络的无人机图像变化检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680151A (zh) * 2015-03-12 2015-06-03 武汉大学 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法
CN109409263A (zh) * 2018-10-12 2019-03-01 武汉大学 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法
CN109934166A (zh) * 2019-03-12 2019-06-25 中山大学 基于语义分割和孪生神经网络的无人机图像变化检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Optical Remote Sensing Change Detection Through Deep Siamese Network;Mohammed El Amin Arabi等;《 IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium》;20181105;全文 *
PPCNET: A Combined Patch-Level and Pixel-Level End-to-End Deep Network for High-Resolution Remote Sensing Image Change Detection;Tengfei Bao等;《IEEE Geoscience and Remote Sensing Letters》;20200107;全文 *
基于全卷积神经网络的遥感图像语义分割及变化检测方法研究;王朵;《中国优秀硕士学位论文全文数据库工程科技II辑》;20190215(第02期);全文 *
基于卷积神经网络的SAR图像变化检测及硬件实现;杨孟然;《中国优秀硕士学位论文全文数据库信息科技辑》;20200215(第02期);全文 *
基于深度学习的遥感影像变化检测方法研究;王庆;《万方数据知识服务平台》;20191206;全文 *

Also Published As

Publication number Publication date
CN111640159A (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN111640159B (zh) 一种基于孪生卷积神经网络的遥感影像变化检测方法
Zhang et al. Remote sensing image spatiotemporal fusion using a generative adversarial network
CN112288875B (zh) 一种面向无人机矿山巡检场景的快速三维重建方法
CN112288647B (zh) 一种基于门控卷积的遥感影像云和阴影修复的方法
CN111047551B (zh) 一种基于U-net改进算法的遥感影像变化检测方法及系统
CN110705457B (zh) 一种遥感影像建筑物变化检测方法
CN109409263B (zh) 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法
CN110853026B (zh) 一种融合深度学习与区域分割的遥感影像变化检测方法
CN107527352B (zh) 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法
CN114565860B (zh) 一种多维度增强学习合成孔径雷达图像目标检测方法
CN110298211B (zh) 一种基于深度学习和高分辨率遥感影像的河网提取方法
CN111652892A (zh) 一种基于深度学习的遥感影像建筑物矢量提取及优化方法
CN109872278B (zh) 基于u形网络和生成对抗网络的图像云层移除方法
Aytekın et al. Unsupervised building detection in complex urban environments from multispectral satellite imagery
CN111882620B (zh) 一种基于多尺度信息道路可行驶区域分割方法
Pan et al. A generic FCN-based approach for the road-network extraction from VHR remote sensing images–using openstreetmap as benchmarks
CN116797787B (zh) 基于跨模态融合与图神经网络的遥感影像语义分割方法
CN114494821B (zh) 基于特征多尺度感知与自适应聚合的遥感影像云检测方法
CN113033432A (zh) 一种基于渐进监督的遥感影像居民区提取方法
CN103871072A (zh) 基于投影数字高程模型的正射影像镶嵌线自动提取方法
CN114897738A (zh) 一种基于语义不一致性检测的图像盲修复方法
Schuegraf et al. Deep learning for the automatic division of building constructions into sections on remote sensing images
Guo et al. Blind single-image-based thin cloud removal using a cloud perception integrated fast Fourier convolutional network
CN117746130A (zh) 一种基于遥感影像点状语义标签的弱监督深度学习分类方法
CN116091706B (zh) 多模态遥感影像深度学习匹配的三维重建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant